随着人们环保意识的增强以及对食品安全问题的日益重视,政府制定了越来越严格的环境保护政策来限制各种化学除草剂的使用。有效控制杂草并弱化对除草剂的依赖是可持续农业的主要挑战之一。利用除草机器人实现精准除草被认为是减少化学除草剂施放、提高作业效率的可行方案。面对复杂的田间环境,进行机器人除草的关键技术之一就是对田间作物和杂草的自动识别和定位。基于现有的技术进展以及其中的不足,本文针对多草工况下的移栽作物识别做了如下研究:首先,本文提出了一种基于视觉注意机制的作物识别方法,建立了一个多草工况下的作物识别数据集,验证了作物在图像中显著性,并实现了苗草精确分割。所建立的数据集包含788张多草工况下采集的花椰菜图像,并做了精确的像素级标注。所提出的作物识别方法根据人类视觉系统的视觉注意机制,利用卷积神经网络,从茂盛杂草中分割出作物。该网络以ResNet-10为骨干,引入支路输出和短链接结构进行多尺度特征融合,采用自适应亲和力场（AAF）对目标边界和精细结构的分割结果进行优化。实验结果表明,该方法能准确地将作物从杂草和土壤中分割出来,平均绝对误差（MAE）小于0.5%,F-measure得分大于97%。在效率方面,在单张图形处理单元（GPU）加速下处理一幅图像仅需5.9ms。其次,本文提出了一种基于二叉树特征融合结构的快速作物识别方法。基于作物的显著性,设计了一种轻量级全卷积神经网络。该网络采用了二叉树特征融合结构,以自顶向下的方式进行高效的多尺度、多层次特征融合。提出了一种两极化分布损失函数,进一步改进边界和精细结构处的分割结果。实验显示,该方法性能优良,MAE在0.4%左右,F-measure得分在98%左右,IOU得分在96%以上。该方法在Jetson TX2嵌入式计算机上的处理速度达到了26FPS以上,能够满足除草作业现场实时处理的需要。最后,本文提出了一种跨任务特征融合的作物识别与株心定位统一模型。该模型有一个共用的骨干网和两个子网:分割子网和定位子网。骨干网络用于共性基础特征提取,两个子网络分别对应于作物识别和株心定位任务。根据两个子网任务的不同,设计了不同跨度的特征融合结构。采用跨任务特征融合策略,从分割子网到定位子网引入自顶向下的引导,提高株心检测性能。实验结果表明,所提出的模型能够获得优异的作物株心定位精度和良好的作物识别性能。